用于查找作者年份引用的正则表达式

Question

我需要设计一个复杂的 REGEX 模式，但在相当长的一段时间内我没有取得重大进展:

基本上我想从文本中提取作者年份的引用。我使用 REGEX 从括号中的文本中提取了引用

\(\K[^\)]+

有几种情况和变体可以找到作者:

Simple: Smith, 2000 or Smith 2000
Multiple authors: Smith/Miller 2001 or Smith & Miller, 2001
Authors with hyphens: Smith-Miller, 2001, Max-Planck-Society, 2001
Authors with accents: O'Neill 2001
Organizations with all caps: ACME Company
And permutations of the above cases

由于我只将文本保留在括号内，因此消除了大多数误报，但存在一些特殊情况:

• 等人/etal./u.a./u. A。需要保留
• 名称后应有年份 ([0=9]{4})
• 有时姓氏后面有逗号(Miller/Smith，2001)
• 需要支持国际字符

最简单的方法是:

\b[\p{Lu}\/].*?[0-9]{4}\b

但事实证明它过于贪婪，导致产生大量不需要的文本。

到目前为止，我最好的方法是:

(([\p{Lu}]+[\p{Lu}\p{Ll}\-\' ]*)+)([\/](?1))*([ ](et[ ]{0,1}al\.)|(u\.[ ]{0,1}a\.)){0,1}[,]*([ ][0-9]{4})

但它有一些问题:

• 仅当有逗号(,)时才识别多人
• 因此无法识别 Smith/Miller 2001，但 Smith/Miller, 2001 可以。

有一个简单的工作解决方案吗？喜欢:得到一切，那

• 不以小写字母开头
• 可以包含[\'/]
• 后跟 4 位数字:[0-9]{4}
• 可以包含“et. al.”数字之前
• 可以用/分隔

我尝试在这里测试正则表达式及其用例:https://regex101.com/r/HEA0rg/8

Answer 1

您可以使用重复模式(其中分隔符为空格或正斜杠)来匹配以大写字符开头的单词，并使 et al. 部分可选。

如果支持 \h，您可以使用它来匹配 1 个以上水平空白字符而不是空格。

\p{Lu}[\p{Lu}\p{Ll}'-]*(?:[ \/]\p{Lu}[\p{Lu}\p{Ll}'-]*)*(?: et al\.)?,? [0-9]{4}

图案部分

• \p{Lu} 匹配大写字符
• [\p{Lu}\p{Ll}'-]* 匹配字符类中重复 0 次以上的内容
• (?: 非捕获组
  • [\/]\p{Lu} 匹配空格或/，以大写字符 a 开始匹配
  • [\p{Lu}\p{Ll}'-]* 匹配任意列出的 0 次以上
• )* 关闭组并重复 0 次以上
• (?: et al\.)? 可选择匹配 et al.
• ,? [0-9]{4} 匹配可选的逗号和空格，然后匹配 4 位数字

Regex demo